[发明专利]一种群租房智能识别、联动治理方法及系统

权利要求书

1.一种群租房智能识别方法，包括：

S1.基于电梯系统和城市大脑平台获取布置所述电梯系统的区域的多维异构数据；

S2.对所述多维异构数据进行处理并提取因素特征，并基于深度学习网络模型对提取的所述因素特征进行在线监测推断，并基于推断结果判断所述区域是否存在群租房，若是，则执行步骤S3；

S3.将所述多维异构数据发布至所述城市大脑平台，所述城市大脑平台对所述区域是否存在群租房作进一步确认，若确认存在，则将该真实群租房案例添加至用于离线训练所述深度学习网络模型的群租房标签样本库，若确认不存在，则执行步骤S4；

S4.所述城市大脑平台对所述多维异构数据进行分析，获取导致所述深度学习网络模型出现误报的影响因素特征，并将所述影响因素特征反馈至步骤S2对提取的所述因素特征进行特征加强。

2.根据权利要求1所述的群租房智能识别方法，其特征在于，所述多维异构数据包括：基于所述电梯系统获取的电梯基础信息、物联网信息、房屋信息，以及基于所述城市大脑平台获取的处置信息。

3.根据权利要求2所述的群租房智能识别方法，其特征在于，步骤S2中，对所述多维异构数据进行处理的步骤中，对所述多维异构数据进行异常噪音数据和缺失数据进行处理，其中，包括：

S21.通过采用箱型图和/或可视化的方式进行异常噪音数据识别和缺失数据识别，

S22.利用统计分析方法进行处理，其中，对于极端异常的数据和缺失率超过一定阈值的记录进行剔除，否则进行替换和填补。

4.根据权利要求3所述的群租房智能识别方法，其特征在于，步骤S2中，基于深度学习网络模型对提取的所述因素特征进行在线监测推断的步骤中，采用异常检测的方式进行群租房识别。

5.根据权利要求4所述的群租房智能识别方法，其特征在于，步骤S2中，基于深度学习网络模型对提取的所述因素特征进行在线监测推断的步骤中包括：

S01.利用大数据爬虫技术对网络新闻舆情里涉及到的群租房信息以及公开数据集进行爬取，并将爬取结果作为标签样本库信息添加至群租房标签样本库；

S02.对所述群租房标签样本库中存储的标签样本库信息与基于所述多维异构数据提取的所述因素特征进行相关性分析，基于分析结果获取影响群租房的关键因素特征；

S03.选取用于离线训练的所述深度学习网络模型；

S04.在所述深度学习网络模型的基础上融合专家模型，用于对所述关键因素特征进行加权；

S05.判断所述深度学习网络模型的训练结果是否满足预设条件，若满足，则将所述深度学习网络模型在线上发布并用于对所述因素特征进行在线监测推断。

6.根据权利要求5所述的群租房智能识别方法，其特征在于，步骤S03中，选取用于离线训练的所述深度学习网络模型的步骤中，包括：

S031.获取关于群租房的目标表达式，其表示为：

Score_risk＝f(X)

其中，Score_risk表示算法输出，即疑似群租房的风险得分；X表示算法输入，即用于基于所述因素特征计算风险得分的多维矩阵向量；f(·)表示映射算法模型；

S032.基于所述目标表达式确定所述深度学习网络模型，其中，所述深度学习网络模型确定为黑箱深度学习模型，其表示为：

ScoreDeep_risk＝f(X)。

7.根据权利要求6所述的群租房智能识别方法，其特征在于，步骤S04中，所述专家模型为加权算法类模型，其表示为：

ScoreExpert_risk＝∑w_ix_i

其中，ScoreExpert_risk表示专家模型计算出的风险得分，w_i表示权重，x_i表示风险因子。